基于触觉感知的家禽净膛机械手及其控制系统的设计

针对机械手净膛过程中家禽内脏易破损的问题,该文设计了基于触觉感知的机械手及其控制系统。利用STM32单片机产生脉冲宽度调制PWM(pulse width modulation)信号控制机械臂在X,Y,Z轴方向上的运动,同时控制机械手爪步进电机正转,实现机械手爪的闭合。利用单片机的模数转换器ADC(analog-to-digital converter)模块实时采集安装在手指内侧的压阻式薄膜传感器上的压力,将采集的压力值与试验得到的7.7 N压力阈值进行分析比较,控制机械手爪步进电机反转,从而控制机械手爪的抓紧力度,保证内脏不至于受力太大而破损,也不至于闭合不够内脏脱落。利用Qt Creator开发净膛机械手的控制界面,包括点动和自动两种控制模式。试验结果表明:带触觉系统的机械手爪能明显减小内脏的破损,内脏破损平均得分由4.75分减小到4分,且净膛率为87.4%。该机械手的性能稳定、对内脏的破损小、自动化程度高、人机交互界面友好且易控制,可为后续净膛机械手的设计提供参考。     

基于ViT-改进YOLOv7的稻田杂草识别

为解决光线遮蔽、藻萍干扰以及稻叶尖形状相似等复杂环境导致稻田杂草识别效果不理想问题,该研究提出一种基于组合深度学习的杂草识别方法。引入MSRCP（Multi-Scale Retinex with Color Preservation）对图像进行增强,以提高图像亮度及对比度;加入ViT分类网络去除干扰背景,以提高模型在复杂环境下对小目标杂草的识别性能。在YOLOv7模型中主干特征提取网络替换为GhostNet网络,并引入CA注意力机制,以增强主干特征提取网络对杂草特征提取能力及简化模型参数计算量。消融试验表明：改进后的YOLOv7模型平均精度均值为88.2 %,较原YOLOv7模型提高了3.3个百分点,参数量减少10.43 M,计算量减少66.54×10⁹次/s,有效提高模型速度与精度。识别前先经过MSRCP图像增强后,改进YOLOv7模型的平均精度均值提高了2.6个百分点,模型对光线遮蔽、藻萍干扰以及稻叶尖形状相似的复杂环境下平均精度均值分别提高5.3、3.6、3.1个百分点;再加入ViT分类网络后,模型平均精度均值进一步提高,较原模型平均精度均值整体提升了4.4个百分点,在复杂环境下的平均精度均值较原模型整体提升了6.2、6.1、5.7个百分点。ViT-改进YOLOv7模型的平均精度均值为92.6 %,相比于YOLOv5s、YOLOXs、MobilenetV3-YOLOv7、YOLOv8和改进YOLOv7分别提高了11.6、10.1、5.0、4.2、4.4个百分点。研究结果可为稻田复杂环境的杂草精准识别提供支撑。     

转CryIAb水稻对稻田杂草群落组成及多样性的影响

尽管基因工程技术可以增加作物产量, 但转基因作物是否对农田生态产生影响受到广泛关注。本研究通过田间定位试验, 应用群落生态学方法研究了转CryIAb基因抗虫水稻"Mfb"连续2年在传统栽培和半野生条件下对稻田杂草群落组成及多样性的影响。调查结果显示: 转CryIAb基因稻"Mfb"与非转基因稻"明恢86"田间杂草种类没有显著差异。稻田杂草的频度和密度与栽培方式有关, 半野生稻田杂草的频度和密度显著高于传统稻田, 但相同栽培条件下, 转基因稻"Mfb"与非转基因稻"明恢86"田间杂草频度和密度在整个生长期内均无显著差异。半野生稻田物种丰富度(Sr)指数明显大于传统稻田; 相同栽培条件下, 相同生长时期抗虫转基因水稻"Mfb"与其非转基因对照"明恢86"对稻田杂草群落丰富度的影响差异不显著。稻田杂草群落优势度(D)、均匀度(J)以及多样性(H)各处理、各生长时期内转基因稻与非转基因稻相比均没有显著差异。稻田杂草Shannon-Wiener多样性指数变化无明显规律, 相同栽培方式相同生长期的抗虫转基因水稻"Mfb"与其非转基因对照"明恢86"的Shannon-wiener指数差异不显著。综合上述分析, 转CryIAb基因抗虫稻对稻田杂草群落的组成及多样性没有显著影响。     

基于多特征融合和深度置信网络的稻田苗期杂草识别

杂草的准确识别是田间杂草精准防控管理的前提,机器视觉技术是实现杂草准确识别的有效手段。该文以水稻苗期杂草为研究对象,采集稻田自然背景下和不同光照条件下的6种杂草图像共928幅,包括空心莲子草、丁香蓼、鳢肠、野慈姑、稗草和千金子。采用1.1G-R颜色因子将杂草RGB图像进行灰度化,选择自动阈值自动分割得到杂草前景二值图像,通过腐蚀膨胀形态学操作进行叶片内部孔洞填充,应用面积滤波去除其他干扰目标,最后将杂草二值图像与RGB图像进行掩膜运算得到去除背景的杂草图像;提取杂草图像的颜色特征、形状特征和纹理特征共101维特征,并对其进行归一化处理。在双隐含层和单隐含层的深度置信网络(deep belief networks,DBN)结构基础上,对DBN隐含层节点数选择方法进行研究。针对双隐含层DBN节点数,选择恒值型、升值型和降值型3种节点组合方式进行优化研究,当网络结构为101-210-55-6时杂草识别率为83.55%;通过对单隐含层节点参数优化得到网络结构为101-200-6时杂草识别率达到91.13%。以同一测试样本的运行时间值作为模型的测试时间对3种不同模型进行耗时测试,SVM模型、BP模型和DBN模型测试结果分别为0.029 7、0.030 6和0.034 1 s,试验结果表明基于多特征融合的DBN模型的识别精度最高,且耗时较其他2种模型相差不大,可满足实时检测的速度要求,所以在实际应用中应优先选择基于多特征融合的DBN模型。该研究可为稻田杂草识别与药剂选择性喷施提供参考。     

基于GIS的安徽省会经济圈区域生态补偿优先等级研究

生态补偿已经成为当前全社会所广泛关注的热点问题,补偿优先领域确定是区域协调发展研究的重要内容.利用2007年遥感图像TM数据,对安徽省会经济圈的生态系统服务价值和生态补偿优先等级进行了计算.结果显示:(1) 2007年经济圈内六安市所提供的非市场价值总量最大,为5市之首,生态补偿优先等级为六安市＞巢湖市＞桐城市＞淮南市＞合肥市;(2)经济圈的六安市为典型的高“生态输出”、经济欠发达地区,应优先享受区域生态补偿.合肥市为高“生态消费”、经济发展水平高,应优先支付补偿.(3)就各市内部而言,市区的补偿优先等级高于周围县域;各县、市区的单位面积非市场价值和生态补偿优先等级差异显著,其中金寨县和霍山县的生态补偿优先级最高.研究结果可为区域生态补偿提供科学依据.     

基于线性自抗扰的稻田除草对行控制系统设计与试验

为降低水稻机械除草的行间伤苗率,该文基于线性自抗扰技术开展水稻田间除草对行控制系统研究。在苗带信息获取的基础上,针对水田作业环境设计了一种基于线性自抗扰的对行液压控制系统。采用内、外滑梁结构,实现对行执行机构对除草部件作业路径的避苗调控。应用Amesim与Matlab联合仿真方法,构建了对行液压控制系统仿真平台,分别对线性自抗扰算法和PID算法进行了控制器设计及仿真比较,仿真结果表明:在加入扰动情况下,线性自抗扰控制系统达到期望的对行调控时间比PID减少0.1s,且抗干扰性及鲁棒性均优于PID控制算法。田间试验结果表明:行进速度和作业深度对伤苗率影响显著,最优作业参数组合为行进速度0.5 m/s,调节间距60 cm,作业深度20 cm,此时伤苗率为3.6%;性能比较试验表明:有对行控制系统的平均伤苗率为3.9%,没有对行系统控制的伤苗率为18.6%。该系控制统满足机械除草对行控制的要求,可为水田作业环境下的精准控制问题提供借鉴。     

基于剪切波变换和无人机麦田图像的区域杂草识别方法

区域杂草的识别有利于植保作业中的除草剂精准喷施。现有图像处理技术主要针对行间和株间杂草,而传统的图像采集与分析设备对苗期麦田杂草的识别存在一定局限性,难以满足非人工的区域性喷洒农药等作业需求。由于麦田区域中的麦苗和杂草具有形态和颜色区分度差的特点,传统的图像识别方法难以有效识别。针对此问题,该文提出利用剪切波变换对无人机麦田区域图像中杂草进行识别。该方法利用其自身的方向敏感性以及在纹理识别中的方向无关性,根据麦田区域图像在杂草较多的部分叶片纹理杂乱,反之则纹理相对规则的特点,处理得到不同尺度和不同方向下小麦与杂草的剪切波系数。然后针对小麦和杂草剪切波系数的不同特征,对剪切波系数矩阵进行归一化处理,同时对其均值和方差进行了统计分析,得到麦苗和杂草剪切波系数图中竖直锥第二尺度所有系数均值的区分值约为0.07,第二尺度各个方向的均方差均值的区分值约为0.08。通过对含杂草麦苗区域图像以及麦苗区域图像的验证,准确率为69.2%,效果优于传统的灰度共生矩阵方法。此外,该文对无人机拍摄区域图采用分块的方法,实现了对非麦苗区域的有效标识。由此可见,剪切波变换方法能够为基于低空植保无人机喷洒农药中的区域杂草识别提供参考。     

基于无人机图像的多尺度感知麦穗计数方法

小麦是世界上重要的粮食作物,其产量的及时、准确预估对世界粮食安全至关重要,小麦穗数是估产的重要数据,因此该研究通过构建普适麦穗计数网络（Wheat Ear Counting Network,WECnet）对灌浆期小麦进行精准的计数与密度预估。选用多个国家不同品种的麦穗图像进行训练,并且对数据集进行增强,以保证麦穗多样性。在原始人群计数网络CSRnet基础上,针对小麦图像特点构建WECnet网络。在网络前端,通过使用VGG19的前12层进行特征提取,同时与上下文语义特征进行融合,充分提取麦穗的特征信息。后端网络使用不同空洞率的卷积加大感受野,输出高质量的密度图。为了验证模型的可迁移性与普适性,该研究通过基于全球小麦数据集训练好的模型对无人机实拍的麦田图像进行计数。试验结果表明：在全球小麦数据集上,WECnet训练模型的决定系数、均方根误差（Root Mean Square Error,RMSE）与平均绝对误差（Mean Absolute Error,MAE）分别达到了0.95、6.1、4.78。在无人机拍摄图像计数中,决定系数达到0.886,整体错误率仅为0.23%,平均单幅小麦图像计数时间为32 ms,计数速度与精度均表现优异。普适田间小麦计数模型WECnet可以对无人机获取图像中小麦的准确计数及密度预估提供数据参考。     

基于ArcGIS的水土保持区域评估土石方量计算方法

在水土保持区域评估报告编制过程中,为便于后续区域内各规划地块的管理,常需要对各规划地块的土石方进行计算,但受招商引资及入驻企业开发进度的影响,各规划地块往往没有具体的设计资料,仅有评价区域的控制性详细规划和原地貌实测地形图,加之评价区域面积大,时间紧、任务重,利用常规方法难以在短时间内定量对各地块土石方进行分析评价。利用ArcGIS软件,通过评价区域内大比例尺原地貌地形图和控制性详细规划中的控制标高对区域土石方进行计算,分地块进行统计并生成数据表,自动标注形成各地块挖填方量分布图。     

浅论基于第三方视角的福建省水土保持区域评估

推行水土保持区域评估是深化"放管服"改革、深入推进审批服务便民化的要求,能更好地服务市场主体,优化营商环境.但由于福建省内水土保持区域评估目前还处于摸索阶段,在水土保持区域评估工作实践中仍存在各种问题.文章在对福建省内已实施水土保持区域评估的开发区进行分析的基础上,提出了目前水土保持区域评估存在的部分问题,并结合笔者日...     

水稻田间机械除草装备与技术研究现状及发展趋势

水稻田间机械除草技术在减量除草剂防治和有机稻草害控制的研究和应用中具有重要作用。该文在收集、整理国内外水稻田间机械除草装备与技术研究现状的基础上,指出了现有除草装备的不足之处,并总结了水稻田间机械除草技术的类型和特点,最后提出水稻田间机械除草技术应向着智能化、仿生化和多种除草技术联合化发展,进而提高除草精度,使其在水稻生产中发挥更大的作用。     

玉米田间机械-化学协同除草的杂草防除效果

施用除草剂和机械除草是目前杂草控制的两种主要手段,受农田环境、机具作业能力等限制,单一机械或化学防治均存在一定的局限性。该研究以玉米田为研究对象,设置机械除草协同减量化学除草策略,选取2种机械除草方式（行间与株间）和3种化学减量比例（减量25%、50%、75%）及2种化学施药方式（全幅和苗行）组合进行除草试验。从除草效果和玉米生长方面综合研究了机械-化学协同除草方式的杂草防除效果。试验结果表明：机械除草方式能够疏松土壤,使除草区域的土壤紧实度降低64.4%以上。除草处理后2周,行间机械除草的株防效为83.4%,优于株间机械除草的株防效46.7%;玉米吐丝期,机械-化学协同处理的除草效果优于单一机械除草,行间机械除草协同除草剂减施处理的除草效果优于同水平施药量下的株间机械除草协同除草剂减施处理;无论是在吐丝期还是成熟期,机械-化学协同除草处理的玉米叶面积和干物质量大于单一机械除草或化学除草,机械-化学协同除草模式可促进植株营养元素累积和作物生长;行间机械-化学协同除草处理的平均产量分别高出单一机械和化学除草模式29.0%和20.4%,株间机械-化学协同除草处理的平均产量分别高出单一机械和化学除草模式55.9%和5.1%;从玉米产量及其构成来看,机械除草协同除草剂减施25%处理的增产效果最优,该处理下的千粒质量和产量均高于其他协同处理。该研究明确了机械-化学协同除草策略对农田杂草防除和作物生长的影响,机械协同除草剂减施处理能在不降低除草效果的前提下减少除草剂施用和增加玉米产量。该研究为杂草绿色防控提供了新思路,研究结果可为玉米田除草剂减施提供参考。     

水田行间除草装置设计与试验

为减少化学除草剂的使用,解决现有水田除草机械除草效果差等问题,该研究设计了一种水田行间除草装置,包括压草浮板和除草辊等结构,工作时压草浮板先将压倒杂草,紧接着除草辊将压倒的杂草压入泥中。压草浮板先将杂草压倒,除草辊将杂草压入泥中的几率可提高9.98%。除草辊两端设有倒角,在避免或减少对水稻根系损伤的同时可扩大行间除草区域,最大可增加常规除草宽度的3%。对压草浮板和除草辊进行了参数设计,通过仿真试验分析了行间除草装置与土壤之间的相互作用规律,确定最佳作业条件为入土深度35 mm,前进速度0.8 m/s。以未除草、化学除草、人工除草和不同参数的除草辊为试验因素,以水稻植株高度、产量、产量构成因素和水稻根系参数为试验指标,进行田间试验,试验结果表明,行间除草装置平均除草率最高为87.51%,可以翻动土壤,增加土壤透气性。与常规宽度的除草辊相比,增加除草宽度,扩大行间除草区域最大可提高除草率7.3个百分点。不同的除草处理对水稻植株高度和产量等有显著影响（P<0.05）,机械除草可以促进水稻的生长发育,其产量可以达到甚至超过化学除草和人工除草水平。不同参数的除草辊对植株高度、产量和根系等有显著影响（P<0.05）,增加除草辊宽度同时两端设倒角,可以减少对水稻根系的损伤,有利于水稻的生长发育,提高水稻产量。研究结果可为水田除草机械装备的研究提供参考。     

放养密度对稻田内鸭子运动规律及杂草控制效果的影响

为探索放养密度对鸭子在田间运动行为规律的影响及其对杂草的控制效果,该文采用超宽带(ultra wide band,UWB)定位技术,检测了鸭子在田间运动位置信息,研究了不同放养密度下鸭子在田间的活动规律及其对水田主要杂草的防除效果。结果表明,随着放养密的增加:1)鸭子的活动范围变大,单位面积出入几率也增大;2)鸭子在田间运动时间占总时间的比例逐步加大,对应每660 m2放养15、20、25和30只4种放养密度,该比例分别是69.17%,75.33%,77.83%和80.00%;3)鸭子进入各个小单元格的平均次数越多,对应上述4种放养密度,鸭子每天平均进入各单元格次数分别是12.05、17.82、23.03和27.73次,其中,高频次比例逐渐增加,且增加较快,而低频次比例逐渐较小;4)对杂草的控制效果越好,因为鸭子在田间活动的目的是获取食物,放养密度越大,鸭子为获取食物而产生的竞争越激烈,鸭子在田间的活动范围越广、时间越长、进入各个小单元格的频次越高,其采食杂草的机会越多。研究成果将为鸭稻共作技术工艺的进一步优化提供参考。     

空洞卷积结合全局池化的卷积神经网络识别作物幼苗与杂草

针对传统Alex Net模型参数大、特征尺度单一的问题,该文提出一种空洞卷积与全局池化相结合的多尺度特征融合卷积神经网络识别模型。通过对初始卷积层的卷积核进行膨胀,以增大其感受野而不改变参数计算量,并采用全局池化代替传统的全连接层来减少模型的参数。通过设置不同膨胀系数的初始卷积层卷积核与全局池化层类型,以及设置不同Batch Size,得到8种改进模型,用于训练识别共12种农作物幼苗与杂草,并从建立的模型中选出最优模型。改进后的最优模型与传统Alex Net模型相比,仅经过4次训练迭代,就能达到90%以上的识别准确率,平均测试识别准确率达到98.80%,分类成功指数达到96.84%,模型内存需求减少为4.20 MB。实际田间预测野芥与雀麦幼苗的准确率都能达到75%左右,说明该文最优模型对正常情况下的幼苗识别性能较好,但对复杂黑暗背景下的甜菜幼苗准确率为60%,对恶劣背景下的识别性能还有待提升。由于模型使用了更宽的网络结构,增加了特征图的多尺度融合,保持对输入空间变换的不变性,故对正常情况下不同作物幼苗与杂草的识别能力较强。该文改进模型能达到较高的平均识别准确率及分类成功率,可为后续深入探索复杂田间背景下的杂草识别以及杂草与幼苗识别装置的研制打下基础。     

基于农用地利用等别的基本农田保护区划定

基本农田划定应以科学的土地质量分级为基础,而农用地分等工作是从耕地生产能力出发划定出区域的耕地质量的差异。所以,该文以北京市房山区为研究对象,依据农用地利用等别成果,借助聚类分析和地理信息系统手段,提出了基于农用地利用等别划定基本农田保护区的方法和手段。研究结果表明:房山区现有的基本农田布局中的耕地质量差异大,涵盖了从7等到21等的各等别的耕地,部分等别高的耕地划到一般农田;依据农用地利用等别划定的基本农田保护区中,平原区耕地利用等别集中在18到21等,山区集中在10到18等,基本农田总面积数增加3520.52hm2,按照各等别对应的标准粮计算基本农田的生产能力提高44749t,而且平原区和山区的耕地生产能力差异很大。可见,利用农用地利用等别的成果进行基本农田划定,以优先划定高等别的耕地资源为基础将基本农田划定与耕地生产能力保护紧密结合,为区县尺度的基本农田划定提供了科学依据。     

融合FPN的Faster R-CNN复杂背景下棉田杂草高效识别方法

为实现田间条件下快速、准确识别棉花与杂草,该文以自然光照下田间棉花与杂草为研究对象,采用垂直向下拍摄的方式获取棉花杂草视频,按1帧/s的速率从视频中提取图像,在人工去除冗余度过多的图片后,建立1 000幅图片的数据集。对比了Faster R-CNN和YOLOv3 2种典型卷积神经网络,将Faster R-CNN卷积神经网络的深度学习模型引入到棉花杂草图像识别中,并提出一种结构优化的方法,使之适用于复杂背景下的棉田杂草识别。该文选用残差卷积网络提取图像特征,Max-pooling 为下采样方法,RPN网络中引入特征金字塔网络生成目标候选框,对卷积神经网络结构进行优化。在使用700幅图片进行训练后,通过200 幅田间棉花杂草图像识别测试,结果表明：该方法的平均目标识别准确率达95.5%,识别单幅图像的平均耗时为1.51 s,采用GPU 硬件加速后识别单幅图像的平均耗时缩短为0.09 s。优化后的Faster R-CNN卷积神经网络相对于YOLOv3平均正确率MAP高0.3以上。特别是对于小目标对象,其平均正确率之差接近0.6。所提方法对复杂背景下棉花杂草有较好的检测效果,可为精确除草提供参考。     

Effect of seed rate and nitrogen fertilizer on weed species composition,density and diversity in two sesame varieties

To evaluate the effect of seed and nitrogen rates on weed species composition, density, biomass and diversity in two sesame (Sesamum indicum L.) varieties, a field experiment was conducted in 2009, 2010 and 2011 rainy seasons at Samaru, Nigeria. Four seed rates, 2, 4, 6 and 8 kg ha^?1, four nitrogen rates, 0, 30, 60 and 90 kg N ha^?1 and two sesame varieties NCRIBEN 01M and E8 were arranged as factorial in a split plot design. Weeds with the highest important values in sesame field were Dactyloctenium aegyptium, Ludwigia decurrens, Ageratum conyzoides and Cyperus esculentus. Year had a significant effect on weed density, biomass, diversity, evenness and richness. Weed density, biomass, diversity and richness were lowest in the 2011 trial and weed species evenness in 2009. Variety E8 reduced weed biomass better than NCRIBEN 01M. Averaged over years, weed diversity and evenness were lowest at 4 kg seeds ha^?1. Seed × nitrogen rates effect of 4 kg seed ha^?1 and 30 kg N ha^?1 produced the lowest weed species diversity and evenness. The result suggests that variety E8 at 4 kg seed ha^?1 and 30 kg N ha^?1 with hoe weeding at 3 and 6 WAS may provide better weed control, and it is recommended in sesame production.     

不同施肥及杂草处理下半湿润冬小麦田NO3——N的动态变化

以中等肥力土垫旱耕人为土为供试土壤,在冬小麦（Triticum aestivum）不同生育期采集0-100 cm土层土壤样品,研究不同施肥及杂草处理对半湿润农田生态系统土壤NO3--N动态变化的影响。结果表明,1）土壤剖面NO3--N含量随施氮量增加而显著增加,0-100 cm土层NO3--N累积量与施氮量线性相关;在越冬期、返青期和拔节期,相关系数r分别为0.995、0.971和0.949。2）冬小麦生长过程中,土体NO3--N含量先降低后回升,在拔节期最低;成熟期土壤有机氮矿化产生的NO3--N是收获后土壤剖面残留NO3--N的主要贡献者。3）在越冬期、返青期、拔节期和成熟期,施磷（PN135）与不施磷（P0N135）处理相比,施磷可显著减少土体NO3--N累积量,减少量分别为N 61.4、26.9、36.6和5.5 kg/hm2;磷肥对减少土壤NO3--N残留累积量的影响以越冬期表现最为显著,成熟期表现不显著。4）在施磷的基础上,不同杂草处理土壤剖面NO3--N累积量在每公顷施氮45 kg（PN45）及施氮90 kg (PN90)时存在一定差异,但不显著;而在每公顷施氮180 kg（即PN180）的高氮处理下,差异显著。每公顷施氮135 kg（PN135）,的中氮处理,在越冬期清除杂草后土壤剖面中NO3--N累积量在拔节期显著高于其它杂草处理。     

全程机械化生产对双季稻病虫草发生及产量的影响

为探索不同翻耕栽植方式对双季稻病虫草发生和产量的影响,对旋耕-机插、旋耕+牛耕-机插、牛耕-机插、旋耕-手插等4种翻耕栽植方式进行了比较试验。结果表明,未施药区4种翻耕栽植方式早稻主要病虫草为纹枯病（Rhizoctonia solani）、稻纵卷叶螟（Cnaphalocrocis medinalis）、鸭舌草（Monochoria vaginalis）和稗草（Echinochloa crusgalli）,晚稻主要病虫草为纹枯病、稻纵卷叶螟、稻飞虱（Sogatella furcifera,Nilaparvata lugens）、鸭舌草和稗草。在肥水管理相同的条件下,早、晚稻纹枯病病情指数孕穗期分别为8.25～13.31和17.60～23.10,乳熟期分别达13.75～20.90和20.02～23.76,其中旋耕-手插方式重于旋耕-机插方式,牛耕-机插方式重于旋耕-机插方式。早稻二代稻纵卷叶螟发生较重,卷叶率为15.03%～16.67%;晚稻四代和五代稻纵卷叶螟发生较重,卷叶率分别为29.67%～33.48%和60.09%～65.45%,4种翻耕栽植方式早、晚稻稻纵卷叶螟发生量差异不显著。晚稻稻飞虱前期虫口密度偏低,齐穗期为425～550头/百丛,至乳熟期达1 200～1 600头/百丛,其中以旋耕-手插处理虫口密度最高,旋耕-机插虫口密度最低。早稻稻田杂草有鸭舌草、稗草、矮慈姑、千金子、水竹叶等,均以鸭舌草和稗草为优势种群,分别占总草的68.00%和29.70%;晚稻稻田杂草有鸭舌草、稗草、节节菜、千金子、香附子、空心莲子草等,均以鸭舌草和稗草为优势种群,分别占总草的69.60%和17.40%。早、晚稻以牛耕-机插处理杂草发生量最大,其次分别为旋耕+牛耕-机插和旋耕-机插处理,旋耕-手插处理杂草发生量最小。测产对比方差分析表明,4个种翻耕栽植方式产量差异不显著。在病虫草发生初期,选用适当的农药可有效控制不同翻耕栽植方式病虫草发生,早、晚稻平均增产10.00%和7.88%。该研究为双季稻区水稻全程机械化生产病虫草防治技术的推广提供参考。